CORE Organic II Authentic Food

Gjennom første del av prosjektet har hovedoppgaven til WP7 vært å delta i møter, diskusjoner omkring datainnsamling, utarbeidelse av retningslinjer og maler for datainnlevering og utarbeidelse av maler for registrering av data. Gjennom siste del av prosjektet, har WP7 mottatt data fra WP3, WP4, WP5 og WP6 for statistisk analyse for å finne metoder for å klassifisere observasjoner. Disse dataene er analysert og hovedresultatene fra disse statistiske analysene ble presentert på et prosjektmøte i Italia 25. - 26. november 2014. Basert på variabler målt i disse dataene synes det å være mulig å konstruere klassifikasjonsregler for å klassifisere nye observasjoner inn i en av de to gruppene Økologisk og Konvensjonell uten å få en stor andel feilklassifiserte observasjoner. Selvsagt er disse lovende resultatene til de konstruerte klassifikasjonsreglene bare gyldig for de populasjonene der våre "trenings" observasjoner kommer fra. Som et eksempel har vi i WP7 konstruert en enkel klassifikasjonsregel basert på målte verdier på 12 multielement variabler for 36 "OrgTrace" hvete observasjoner (sampler) fra Danmark (fra tre områder og to år). Evaluering med "leave-one-out" kryssvalidering gav at denne klassifikasjonsregelen klassifiserte alle de 36 observasjonene korrekt (24 observasjoner fra Økologisk og 12 observasjoner fra Konvensjonell). De analytiske metodene som er brukt, multielement, forskjellige metabolomics metoder og isotoper synes å gi lovende resultater med tanke på deres praktiske anvendelse av deres variabler til å konstruere klassifikasjonsregler som kan brukes for å klassifisere nye observasjoner (sampler) til enten Konvensjonell eller Økologisk. Egenskapene til de klassifikasjonsreglene som er konstruert er gyldige for de populasjonene som våre kjente "trenings" observasjoner kommer fra. For andre populasjoner må vi sannsynligvis konstruere nye klassifikasjonsregler basert på "trenings" observasjoner fra de populasjonene. Den ideelle situasjonen ville vært å definere en populasjon, for eksempel populasjonen bestående av alle mulige hvete observasjoner fra Danmark. Deretter trekkes tilfeldig noen observasjoner fra denne populasjonen til å utgjøre våre "trenings" observasjoner og noen av dem til å utgjøre "test" observasjoner. Så konstrueres klassifikasjonsregler basert på "trenings" observasjonene og klassifikasjonsreglene evalueres ved å bruke dem til klassifikasjon av "test" observasjonene fra den samme populasjonen. Dessverre er ikke datainnsamlingen gjort helt på denne "optimale" måten. WP7 har hatt liten, for ikke å si ingen, innflytelse på selve datainnsamlingen.

WP7 (den norske delen av prosjektet) skal gi statistisk konsultasjon og råd til alle WP-ene omkring hvordan data skal organiseres før de brukes i multivariable statistiske analyser. Deltagernes data vil bli sjekket for formelle forhold, korrigert og struk turert, satt sammen og klargjort i en datafil (database) før de sendes til WP7 for multivariabel statistisk analyse. Prosedyren for å organisere dataene baseres på prinsipper som hovedsaklig er utviklet og anvendt i det foregående Core Organic QACCP prosj ektet (www.coreorganic.org/research) - prosjekt nummer 1855. Alle variablene på et og samme objekt kan være svært korrelerte, som det tas hensyn til ved å bruke multivariable statistiske metoder. Når dataene er strukturert og akkumulert i en passende for m, skal multivariable statistiske analyser anvendes for å studere hensiktene, målsettingene og hypotesene i prosjektet. For å studere korrelasjonene eller avhengighetene mellom variablene skal vi bruke relevante, gode og moderne metoder for å analysere ko rrelasjonsstrukturer. Flere aktuelle metoder vil bli brukt, herunder for eksempel principal component analysis (PCA), soft independent modeling of class analogy (SIMCA), partial least squares discriminant analysis (PLS-DA) og canonical discriminant analys is (CDA). Det kan også være interessant å forsøke å finne spesifikke grupper eller strukturer i dataene. Til det vil vi bruke aktuelle klustrings- og ordinasjonsmetoder.